Contenus :

·        Introduction à l'apprentissage automatique : définitions et types

·        Apprentissage supervisé : jeu de données, caractéristiques, étiquettes

·        Arbres de décision : algorithme ID3 et C4.5

·        Critères de partitionnement : gain d'information, indice de Gini, rapport de gain

·        Surapprentissage (overfitting) et sous-apprentissage (underfitting)

·        Évaluation des modèles : validation croisée, matrice de confusion

Objectifs pédagogiques :

·        Distinguer les différents types d'apprentissage (supervisé, non supervisé, par renforcement)

·        Comprendre et implémenter l'algorithme de construction d'arbres de décision

·        Analyser les critères de partitionnement et leur impact sur les performances

Appliquer des techniques d'évaluation et de régularisation pour éviter le surapprentissage